. Bij de beantwoording van de onderzoeksvragen worden eerst de subvragen beantwoord, om vervolgens antwoord te geven op de hoofdvraag van het onderzoek ‘Opsporen en beheersen van risico’s’.
De architectuur van Apollon is opgebouwd uit twee componenten, Palantir met daaraan gekoppeld een Business Rules Engine (BRE) Jboss Drools Guvnor (zie figuur 4). Palantir maakt het mogelijk om grote
hoeveelheden informatie te ontsluiten aan de hand van een domeinmodel en stelt de gebruiker in staat deze informatie uit verschillende systemen en databases middels één gebruikersinterface met verschillende “views” te doorzoeken, te structureren en te analyseren. Middels concepten al ‘filtering’ en ‘drill down’ 44 is het
bijvoorbeeld mogelijk om alle meldingen van Afrikaanse varkenspest voor een bepaalde regio en tijdsperiode geografisch weer te geven. De BRE maakt het mogelijk om ontsloten informatie te beoordelen/ ranken op basis van de ingevoerde expert kennisregels. In kennisregels ligt als het ware de waarde vast wanneer verwacht mag worden dat een mogelijk risico zich voordoet. Op deze wijze geeft Apollon alleen signalen aan de gebruiker waarvan door experts op voorhand is bepaald dat een mogelijk risico zich mogelijk voordoet.
Zoals in eerdere onderzoeksvragen al aan de orde gekomen is er voor het ER concept een veelheid aan informatie nodig uit diverse bronnen. In het onderzoek is tegen beperkingen van de, door het onderzoeksteam als waardevol veronderstelde bronnen, aangelopen. Dit waren beperkingen van toegang, kwantiteit en kwaliteit. De conclusie van het onderzoeksteam is daarom niet zozeer dat er bepaalde bronnen essentieel zijn, maar dat van elke gewenste bron de opheffingen van deze drie beperkingen essentieel is. Er zou zelfs gedacht kunnen worden aan het proactief ontplooien van activiteiten die deze beperkingen opheffen.
44 ‘Filtering’ en ‘Drill down’ is een ‘zoekopdracht in een zoekopdracht’. Deze functionaliteit stelt u in staat om nog betere contextuele relevantie te vinden of het zoekresultaat te reduceren tot een beter beheersbare hoeveelheid.
Subvraag 1
Wat is een robuuste informatiearchitectuur zodat een nuchtere ranking mogelijk is? Aspecten zijn hierbij dat de architectuur veel informatie kan verwerken, geen overload aan de gebruiker aanbiedt, maar tegelijkertijd ook geen nieuwe risico informatie mist.
Subvraag 2
Welke informatie en bronnen (onder andere media, wetenschap, praktijk en regulering) zijn van essentieel belang in het kader van de opsporing van nieuwe risico’s en hoe kunnen deze ontsloten worden?
In ons project is gebleken dat de wenselijkheid van bepaalde databronnen heel goed kan worden vastgesteld door een team van experts.
Zoals aangegeven in subvraag 1 stelt Apollon de gebruiker is staat om een grote hoeveelheid aan informatie te ontsluiten. De bewuste informatie kan zowel gestructureerd als ongestructureerd zijn, verschillende data- / bestandstype zijn en vanuit verschillende bronnen afkomstig zijn; publiek of privaat. Apollon stelt de gebruiker in staat om het zoekresultaat te reduceren tot een beter beheersbare hoeveelheid. Voorbeelden hiervan zijn gegeven in hoofdstuk 4 en in de demonstratie van het prototype op de CDROM.
Subvraag 4, 5, 6 en 7 kennen een sterke samenhang en zullen daarom gezamenlijk worden beantwoord. Het onderzoeksteam heeft expertkennis met betrekking tot Afrikaanse varkenspest en Hepatitis E systematisch in kaart gebracht middels expertinterviews en verdiepingsworkshops. Daarbij is tijdens de workshop succesvol gebruik gemaakt van de door de EFSA toegepaste methodiek tijdens de EMRISK sessie. De opgedane kennis is vervolgens door het onderzoeksteam vertaald naar kennisregels. Deze aanpak is constructief gebleken en kan voor diverse domeinen en vraagstukken uitgevoerd worden. Dit draagt bij aan het draagvlak voor het ER denken en de verantwoordelijkheid die de NVWA daarin neemt.
De met en door experts opgestelde kennisregels kunnen vastgelegd worden in de Business Rules Engine (JBoss Drools) van Apollon. Door de in Apollon ontsloten informatie periodiek te laten evalueren door de kennisregels in de BRE kunnen automatisch signalen van mogelijke risico’s gedetecteerd te worden.
De reeds ontwikkelde ontologiestructuur voor ‘food’ van de FAO is gebruikt om de OWL ontologie te ontwikkelen. De in het kader van dit project ontwikkelde OWL ontologie is een aanvulling op de standaard vocabulaire AGROVOC. Dit vocabulaire kan worden gebruikt als referentie voor het interne domeinmodel van Apollon. Het verdient aanbeveling om met een referentievocabulaire te werken omdat daarmee, voor een bepaald werkdomein, standaardisatie van begrippen en hun betekenis en relaties wordt vastgelegd.
Subvraag 3
Hoe kunnen de grote hoeveelheden datastromen (zie subvraag 2) met in achtneming van de voorwaarde genoemd onder subvraag 1, gefilterd en kwantitatief worden geanalyseerd, eventueel na geschikte transformaties? Dit wordt afgezet tegen de historische achtergrond van voedselveiligheid, plantgezondheid en diergezondheid.
Subvraag 4
Hoe kan een redenering met expertkennis geïntegreerd worden? Subvraag 5
Welk redeneerprogramma kan ingezet worden en hoe moet dit worden geconstrueerd? Subvraag 6
Hoe zijn databronnen en expertkennis functioneel te koppelen? Subvraag 7
Wat zijn mogelijkheden om de ‘rules’ (zie subvraag 5) te laten ingrijpen op de reeds ontwikkelde ontologiestructuur voor ‘food’ (basisopzet), zodat effectief redeneren mogelijk wordt?
Subvraag 8
Het ontwikkelde Apollon prototype is een (productie)keten overstijgend systeem. Aan de basis van het systeem ligt een fundament van essentiële databronnen op het gebied van humane en veterinaire gezondheidsinformatie en transport. Door het fundament te verstevigen is het mogelijk om meerdere productieketens te bestrijken in plaats van te beperken op individuele ketens. Op basis van analyseresultaten en meldingen kan gerichter naar gewenste informatie gezocht worden binnen een bepaald domein of keten. Op deze wijze ontwikkeld Apollon zich qua informatierijkheid zowel in de breedte als de diepte. Het is dan ook de mening van het onderzoeksteam dat niet zo zeer een productieketen prioriteit of posterioriteit moet krijgen maar meer een aantal keten overstijgende databronnen die met de juiste kennisregels vroegtijdig risico’s in de productieketens kunnen detecteren. Bij een gesignaleerd risico in een productieketen op basis van deze geprioriteerde databronnen kan dan een diepere analyse plaatsvinden in die productieketen. Basis databronnen omvatten transportgegeven, ziektesymptomen humaan en veterinair mogelijk aangevuld met medicijngebruik bij dieren.
Op basis van de opgedane ervaring met het prototype in de vleesvarkensketen met betrekking tot Afrikaanse varkenspest en hepatitis E is niet aan te wijzen welke keten prioriteit of posterioriteit dient te krijgen. Ook omdat risico’s keten overstijgend kunnen zijn. Wel geeft een grove analyse van de vleesvarkensketen al vrij snel inzicht in mogelijke deelgebieden en risico’s. Dit heeft ons genoopt om al vrij snel twee actuele case eruit te lichten. Recente ontwikkelingen, uitbraken en crisissen zouden aanleiding kunnen zijn voor een rangschikking in productieketens.
Voor de beantwoording van de hoofdvraag heeft het onderzoeksteam een prototype genaamd Apollon, gebouwd. In hoofdstuk 4 en in de demonstratie op de CDROM is de werking van het systeem te zien. Met Apollon is via de casus vleesvarkensketen aangetoond dat het mogelijk is een systeem te bouwen dat door middel van backward chaining en forward chaining redeneren in combinatie met een effectieve en gebruikersvriendelijke user interface mogelijke risico’s (emerging risks) geautomatiseerd kan detecteren.. Voor het bouwen van dit ERDS-Systeem was de keuze voor maatwerk versus standaard software. Beide
oplossingsrichtingen zijn toepasbaar voor de bouw van een ERDS-Systeem. Vanwege de ‘total cost of ownership’ heeft het onderzoeksteam gekozen om het prototype te bouwen met de standaard software van Palantir en Jboss Drools Guvnor (BRE).